Spelling suggestions: "subject:"fire 1detection"" "subject:"fire d'etection""
1 |
Estudo da aplicação do algoritmo Viola-Jones à detecção de pneus com vistas ao reconhecimento de automóveis. / Study of the application of the Viola-Jones algorithm to the detection of tires with a view to car recognition.RODRIGUES, Matheus Bezerra Estrela. 01 October 2018 (has links)
Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-10-01T15:06:04Z
No. of bitstreams: 1
MATHEUS BEZERRA ESTRELA RODRIGUES - DISSERTAÇÃO PPGCC 2012..pdf: 7068761 bytes, checksum: 4b1283a1da5ca466fcf0357c33091a30 (MD5) / Made available in DSpace on 2018-10-01T15:06:04Z (GMT). No. of bitstreams: 1
MATHEUS BEZERRA ESTRELA RODRIGUES - DISSERTAÇÃO PPGCC 2012..pdf: 7068761 bytes, checksum: 4b1283a1da5ca466fcf0357c33091a30 (MD5)
Previous issue date: 2012-02-29 / Impulsionado pelo crescimento no uso de vigilância eletrônica, essa pesquisa introduz o
uso de uma técnica que demonstra eficiência no reconhecimento de faces em imagens,
alterando o objeto de busca para pneus de veículos, visando o reconhecimento da
presença do veículo na cena. A técnica aplicada para o reconhecimento é o algoritmo
Viola-Jones. Essa técnica é dividida em dois momentos: o treinamento e a detecção. Na
primeira etapa, vários treinamentos são executados, usando aproximadamente 7000
imagens diferentes. Para a etapa final, um detector de faces foi adaptado para reconhecer
pneus, utilizando o treinamento da etapa anterior, e sua eficiência em reconhecer os
pneus foi comparável à eficiência do detector de faces que usa treinamento de referência
da biblioteca em software que é referência nesta área, OpenCV. O detector desenvolvido
apresentou taxa de reconhecimento de 77%, quando o reconhecimento de faces obteve
80%. A taxa de falsos negativos também foi próxima, apresentando o detector de pneus
2% e o de faces 1%. / Motivated by the growing use of electronic surveillance, this research introduces the use of
the Viola-Jones algorithm, which is known to be efficient in recognition of human faces in
images, changing the object to be recognized to vehicle tires, aiming to detect vehicles in
a scene. This approach divides the process in two steps: training and detection. Training
was done using around 7000 different images of vehicles. For the detection step, work
was done to adapt a face detector to detect vehicles tires. The tire detector was compared
to a face detector that used a reference training for faces from OpenCV library. The tire
detector showed 77% efficiency, whereas the face detector showed 80%. False negative
numbers also showed similar closeness, as 2% for the tire detector and 1% for the
reference face detector.
|
Page generated in 0.1672 seconds